Pada saat kita dihadapkan pada sekumpulan data yang banyak, seringkali membantu untuk mengatur dan merangkum data tersebut dengan membuat tabel yang berisi daftar nilai data yang mungkin berbeda (baik secara individu atau berdasarkan pengelompokkan) bersama dengan frekuensi yang sesuai, yang mewakili berapa kali nilai-nilai tersebut terjadi. Daftar sebaran nilai data tersebut dinamakan dengan Daftar Frekuensi atau Sebaran Frekuensi (Distribusi Frekuensi).

Dengan demikian, distribusi frekuensi adalah daftar nilai data (bisa nilai individual atau nilai data yang sudah dikelompokkan ke dalam selang interval tertentu) yang disertai dengan nilai frekuensi yang sesuai.

Pengelompokkan data ke dalam beberapa kelas dimaksudkan agar ciri-ciri penting data tersebut dapat segera terlihat. Daftar frekuensi ini akan memberikan gambaran yang khas tentang bagaimana keragaman data. Sifat keragaman data sangat penting untuk diketahui, karena dalam pengujian-pengujian statistik selanjutnya kita harus selalu memperhatikan sifat dari keragaman data. Tanpa memperhatikan sifat keragaman data, penarikan suatu kesimpulan pada umumnya tidaklah sah.

Sebagai contoh, perhatikan contoh data pada Tabel 1. Tabel tersebut adalah daftar nilai ujian Matakuliah Statistik dari 80 Mahasiswa (Sudjana, 19xx).

Tabel 1. Daftar Nilai Ujian Matakuliah Statistik

Sangatlah sulit untuk menarik suatu kesimpulan dari daftar data tersebut. Secara sepintas, kita belum bisa menentukan berapa nilai ujian terkecil atau terbesar. Demikian pula, kita belum bisa mengetahui dengan tepat, berapa nilai ujian yang paling banyak atau berapa banyak mahasiswa yang mendapatkan nilai tertentu. Dengan demikian, kita harus mengolah data tersebut terlebih dulu agar dapat memberikan gambaran atau keterangan yang lebih baik.

Bandingkan dengan tabel yang sudah disusun dalam bentuk daftar frekuensi (Tabel 2a dan Tabel 2b). Tabel 2a merupakan daftar frekuensi dari data tunggal dan Tabel 2b merupakan daftar frekuensi yang disusun dari data yang sudah di kelompokkan pada kelas yang sesuai dengan selangnya. Kita bisa memperoleh beberapa informasi atau karakteristik dari data nilai ujian mahasiswa.

Tabel 2a.

Pada Tabel 2a, kita bisa mengetahui bahwa ada 80 mahasiswa yang mengikuti ujian, nilai ujian terkecil adalah 35 dan tertinggi adalah 99. Nilai 70 merupakan nilai yang paling banyak diperoleh oleh mahasiswa, yaitu ada 4 orang, atau kita juga bisa mengatakan ada 4 mahasiswa yang memperoleh nilai 70, tidak ada satu pun mahasiswa yang mendapatkan nilai 36, atau hanya satu orang mahasiswa yang mendapatkan nilai 35.

Tabel 2b.

Tabel 2b merupakan daftar frekuensi dari data yang sudah dikelompokkan. Daftar ini merupakan daftar frekuensi yang sering digunakan. Kita sering kali mengelompokkan data contoh ke dalam selang-selang tertentu agar memperoleh gambaran yang lebih baik mengenai karakteristik dari data. Dari daftar tersebut, kita bisa mengetahui bahwa mahasiswa yang mengikuti ujian ada 80, selang kelas nilai yang paling banyak diperoleh oleh mahasiswa adalah sekitar 71 sampai 80, yaitu ada 24 orang, dan seterusnya. Hanya saja perlu diingat bahwa dengan cara ini kita bisa kehilangan identitas dari data aslinya. Sebagai contoh, kita bisa mengetahui bahwa ada 2 orang yang mendapatkan nilai antara 31 sampai 40. Meskipun demikian, kita tidak akan tahu dengan persis, berapa nilai sebenarnya dari 2 orang mahasiswa tersebut, apakah 31 apakah 32 atau 36 dst.

Ada beberapa istilah yang harus dipahami terlebih dahulu dalam menyusun daftar frekuensi.

Tabel 3.

Range : Selisih antara nilai tertinggi dan terendah. Pada contoh ujian di atas, Range = 99 – 35 = 64

Batas bawah kelas: Nilai terkecil yang berada pada setiap kelas. (Contoh: Pada Tabel 3 di atas, batas bawah kelasnya adalah 31, 41, 51, 61, …, 91)

Batas atas kelas: Nilai terbesar yang berada pada setiap kelas. (Contoh: Pada Tabel 3 di atas, batas bawah kelasnya adalah 40, 50, 60, …, 100)

Batas kelas (Class boundary): Nilai yang digunakan untuk memisahkan antar kelas, tapi tanpa adanya jarak antara batas atas kelas dengan batas bawah kelas berikutnya. Contoh: Pada kelas ke-1, batas kelas terkecilnya yaitu 30.5 dan terbesar 40.5. Pada kelas ke-2, batas kelasnya yaitu 40.5 dan 50.5. Nilai pada batas atas kelas ke-1 (40.5) sama dengan dan merupakan nilai batas bawah bagi kelas ke-2 (40.5). Batas kelas selalu dinyatakan dengan jumlah digit satu desimal lebih banyak daripada data pengamatan asalnya. Hal ini dilakukan untuk menjamin tidak ada nilai pengamatan yang jatuh tepat pada batas kelasnya, sehingga menghindarkan keraguan pada kelas mana data tersebut harus ditempatkan. Contoh: bila batas kelas di buat seperti ini:

Kelas ke-1 : 30 – 40

Kelas ke-2 : 40 – 50

:

dst.

Apabila ada nilai ujian dengan angka 40, apakah harus ditempatkan pada kelas-1 ataukah kelas ke-2?

Panjang/lebar kelas (selang kelas): Selisih antara dua nilai batas bawah kelas yang berurutan atau selisih antara dua nilai batas atas kelas yang berurutan atau selisih antara nilai terbesar dan terkecil batas kelas bagi kelas yang bersangkutan. Biasanya lebar kelas tersebut memiliki lebar yang sama. Contoh:

lebar kelas = 41 – 31 = 10 (selisih antara 2 batas bawah kelas yang berurutan) atau

lebar kelas = 50 – 40 = 10 (selisih antara 2 batas atas kelas yang berurutan) atau

lebar kelas = 40.5 – 30.5 = 10. (selisih antara nilai terbesar dan terkecil batas kelas pada kelas ke-1)

Nilai tengah kelas: Nilai kelas merupakan nilai tengah dari kelas yang bersangkutan yang diperoleh dengan formula berikut: ½ (batas atas kelas+batas bawah kelas). Nilai ini yang dijadikan pewakil dari selang kelas tertentu untuk perhitungan analisis statistik selanjutnya. Contoh: Nilai kelas ke-1 adalah ½(31+40) = 35.5

Banyak kelas: Sudah jelas! Pada tabel ada 7 kelas.

Frekuensi kelas: Banyaknya kejadian (nilai) yang muncul pada selang kelas tertentu. Contoh, pada kelas ke-1, frekuensinya = 2. Nilai frekuensi = 2 karena pada selang antara 30.5 – 40.5, hanya ada 2 angka yang muncul, yaitu nilai ujian 31 dan 38.

Teknik pembuatan Tabel Distribusi Frekuensi (TDF)

Distribusi frekuensi dibuat dengan alasan berikut:

• kumpulan data yang besar dapat diringkas
• kita dapat memperoleh beberapa gambaran mengenai karakteristik data, dan
• merupakan dasar dalam pembuatan grafik penting (seperti histogram).

Banyak software (teknologi komputasi ) yang bisa digunakan untuk membuat tabel distribusi frekuensi secara otomatis. Meskipun demikian, di sini tetap akan diuraikan mengenai prosedur dasar dalam membuat tabel distribusi frekuensi.

Langkah-langkah dalam menyusun tabel distribusi frekuensi:

• Urutkan data, biasanya diurutkan dari nilai yang paling kecil
  • Tujuannya agar range data diketahui dan mempermudah penghitungan frekuensi tiap kelas!
• Tentukan range (rentang atau jangkauan)
  • Range = nilai maksimum – nilai minimum
• Tentukan banyak kelas yang diinginkan. Jangan terlalu banyak/sedikit, berkisar antara 5 dan 20, tergantung dari banyak dan sebaran datanya.
  • Aturan Sturges:
  • Banyak kelas = 1 + 3.3 log n, dimana n = banyaknya data
• Tentukan panjang/lebar kelas interval (p)
  • Panjang kelas (p) = [rentang]/[banyak kelas]
• Tentukan nilai ujung bawah kelas interval pertama

Pada saat menyusun TDF, pastikan bahwa kelas tidak tumpang tindih sehingga setiap nilai-nilai pengamatan harus masuk tepat ke dalam satu kelas. Pastikan juga bahwa tidak akan ada data pengamatan yang tertinggal (tidak dapat dimasukkan ke dalam kelas tertentu). Cobalah untuk menggunakan lebar yang sama untuk semua kelas, meskipun kadang-kadang tidak mungkin untuk menghindari interval terbuka, seperti ” ≥ 91 ” (91 atau lebih). Mungkin juga ada kelas tertentu dengan frekuensi nol.

Contoh:

Kita gunakan prosedur di atas untuk menyusun tabel distribusi frekuensi nilai ujian mahasiswa (Tabel 1).

Berikut adalah nilai ujian yang sudah diurutkan:

 35  38  43  48  49  51  56  59  60  60
 61  63  63  63  65  66  67  67  68  70
 70  70  70  71  71  71  72  72  72  73
 73  74  74  74  74  75  75  76  76  77
 78  79  79  80  80  80  80  81  81  81
 82  82  83  83  83  84  85  86  86  87
 88  88  88  88  89  90  90  90  91  91
 91  92  92  93  93  93  95  97  98  99

 2. Range:
    [nilai tertinggi – nilai terendah] = 99 – 35 = 64

 3. Banyak Kelas:
    Tentukan banyak kelas yang diinginkan.
    Apabila kita lihat nilai Range = 64, mungkin banyak kelas
    sekitar 6 atau 7.
    Sebagai latihan, kita gunakan aturan Sturges.
    banyak kelas = 1 + 3.3 x log(n)
                 = 1 + 3.3 x log(80)
                 = 7.28 ≈ 7

 4. Panjang Kelas:
    Panjang Kelas = [range]/[banyak kelas]
                  = 64/7
                  = 9.14 ≈ 10
                    (untuk memudahkan dalam penyusunan TDF)

 5. Tentukan nilai batas bawah kelas pada kelas pertama.
    Nilai ujian terkecil = 35
    Penentuan nilai batas bawah kelas bebas saja,
    asalkan nilai terkecil masih masuk ke dalam kelas tersebut.
    Misalkan: apabila nilai batas bawah yang kita pilih adalah 26,
    maka interval kelas pertama: 26 – 35, nilai 35 tepat jatuh
    di batas atas kelas ke-1. Namun apabila kita pilih
    nilai batas bawah kelas 20 atau 25, jelas nilai terkecil, 35,
    tidak akan masuk ke dalam kelas tersebut.
    Namun untuk kemudahan dalam penyusunan dan pembacaan TDF,
    tentunya juga untuk keindahan, he2.. lebih baik kita memilih
    batas bawah 30 atau 31.  Ok, saya tertarik dengan angka 31,
    sehingga batas bawahnya adalah 31.

 Dari prosedur di atas, kita dapat info sebagai berikut:
 Banyak kelas       : 7
 Panjang kelas      : 10
 Batas bawah kelas  : 31
 Selanjutnya kita susun TDF:
 Form TDF:
 ------------------------------------------------------------
  Kelas ke- | Nilai Ujian | Batas Kelas | Turus | Frekuensi
 ------------------------------------------------------------
      1        31 -
      2        41 -
      3        51 -
      :        :  -
      6        81 -
      7        91 -
 ------------------------------------------------------------
   Jumlah
 ------------------------------------------------------------
 Tabel berikut merupakan tabel yang sudah dilengkapi

atau dalam bentuk yang lebih ringkas:

Distribusi Frekuensi Relatif dan Kumulatif

Variasi penting dari distribusi frekuensi dasar adalah dengan menggunakan nilai frekuensi relatifnya, yang disusun dengan membagi frekuensi setiap kelas dengan total dari semua frekuensi (banyaknya data). Sebuah distribusi frekuensi relatif mencakup batas-batas kelas yang sama seperti TDF, tetapi frekuensi yang digunakan bukan frekuensi aktual melainkan frekuensi relatif. Frekuensi relatif kadang-kadang dinyatakan sebagai persen.

Frekuensi relatif =

Contoh: frekuensi relatif kelas ke-1:

f_i = 2; n = 80

Frekuensi relatif = 2/80 x 100% = 2.5%

Distribusi Frekuensi kumulatif

Variasi lain dari distribusi frekuensi standar adalah frekuensi kumulatif. Frekuensi kumulatif untuk suatu kelas adalah nilai frekuensi untuk kelas tersebut ditambah dengan jumlah frekuensi semua kelas sebelumnya.

Perhatikan bahwa kolom frekuensi selain label headernya diganti dengan frekuensi kumulatif kurang dari, batas-batas kelas diganti dengan “kurang dari” ekspresi yang menggambarkan kisaran nilai-nilai baru.

atau kadang disusun dalam bentuk seperti ini:

Variasi lain adalah Frekuensi kumulatif lebih dari. Prinsipnya hampir sama dengan prosedur di atas.

Histogram

Histogram adalah merupakan bagian dari grafik batang di mana skala horisontal mewakili nilai-nilai data kelas dan skala vertikal mewakili nilai frekuensinya. Tinggi batang sesuai dengan nilai frekuensinya, dan batang satu dengan lainnya saling berdempetan, tidak ada jarak/ gap diantara batang. Kita dapat membuat histogram setelah tabel distribusi frekuensi data pengamatan dibuat.

Poligon Frekuensi:

Poligon Frekuensi menggunakan segmen garis yang terhubung ke titik yang terletak tepat di atas nilai-nilai titik tengah kelas. Ketinggian dari titik-titik sesuai dengan frekuensi kelas, dan segmen garis diperluas ke kanan dan kiri sehingga grafik dimulai dan berakhir pada sumbu horisontal.

Ogive

Ogive adalah grafik garis yang menggambarkan frekuensi kumulatif, seperti daftar distribusi frekuensi kumulatif. Perhatikan bahwa batas-batas kelas dihubungkan oleh segmen garis yang dimulai dari batas bawah kelas pertama dan berakhir pada batas atas dari kelas terakhir. Ogive berguna untuk menentukan jumlah nilai di bawah nilai tertentu. Sebagai contoh, pada gambar berikut menunjukkan bahwa 68 mahasiswa mendapatkan nilai kurang dari 90.5.

Kurtosis adalah derajat keruncingan suatu distribusi (biasanya diukur relatif terhadap distribusi normal). Kurva yang lebih lebih runcing dari distribusi normal dinamakan leptokurtik, yang lebih datar platikurtik dan distribusi normal disebut mesokurtik. Kurtosis dihitung dari momen keempat terhadap mean. Distribusi normal memiliki kurtosis = 3, sementara distribusi yang leptokurtik biasanya kurtosisnya > 3 dan platikurtik <>

dengan :
Untuk memberikan gambaran visual, berikut ini diberikan ilustrasi Skewness (Gambar 1) dan Kurtosis (Gambar 2) :

gambar 1

gambar 2

1. Nominal -> digunakan untuk mengklasifikasikan informasi/data. Contoh:Data jenis kelamin = Laki-laki dan Perempuan. Biasanya, saat analisis data, tipe data spt ini dilambangkan dg bilangan numerik (angka).Laki-laki dilambangkan dengan angka 1, sedangkan perempuan dilambangkan dengan angka 0. Tidak berarti angka 0 lebih rendah dari angka 1, ingat!! cuma melambangkan saja.
2. Ordinal -> digunakan untuk mengklasifikasikan serta memiliki tingkatan. Tipe data ordinal lebih tinggi dari Nominal karena kemampuannya untuk membentuk tingkatan. Contoh:Jabatan di dalam perusahaan = karyawan, manager, direktur utama. Misal, karyawan dilambangkan dengan 1, manager dg 2, dan direktur utama dengan 3. Pada tipe data ini, angka 1 dianggap lebih rendah dari angka 2, dst. Bisa saja karyawan dilambangkan dengan angka 1, tetapi manager angka 3 dan direktur utama dengan angka 10. Tipe data ini tidak mensaratkan jarak yang sama antar angka yang digunakan sebagai lambang. Yang perlu diperhatikan hanyalah bahwa angka 3 lebih tinggi dari angka 1, angka 10 lebih tinggi dari angka 3.
3. Interval -> Ciri khas dari tipe data ini, selain memiliki kemampuan mengklasifikasikan dan membentuk tingkatan, adalah tidak adanya nilai nol mutlak. Artinya, angka nol yg digunakan bukan berarti tidak ada. Contoh: Derajat suhu. Di dalam skala Celcius misalnya, Nol derajat Celcius bukan berarti tidak ada suhu. Nol derajat itu memiliki suhu, hanya saja dilambangkan dengan nol. Selain itu, jarak antar setiap angka yg digunakan adalah sama. Misal: di dalam kuesioner, ada tingkatan dari TIDAK SETUJU (lambang: 1) s.d. SANGAT SETUJU (lambang: 5). Jarak antara SANGAT SETUJU (5) dg SETUJU (4) adalah 1, yaitu 5-4=1. Jarak antara SETUJU (4) dg RAGU-RAGU (3) juga = 1, yaitu 4-3=1. dst.
4. Rasio -> memiliki kemampuan dari ketiga tipe data sebelumnya, dan angka nol dianggap mutlak. Contoh: data berat badan (kg). Angka Nol kg berarti memang tidak ada berat.

Tipe data nominal dan ordinal sering digunakan pada metode statistika nonparametrik. Sedangkan tipe data interval dan rasio cocok untuk digunakan pada metode statistika parametrik, asal asumsi yang dibutuhkan oleh metode statistika parametrik yang bersangkutan dapat dipenuhi.

1. Statistika parametrik -> ilmu statistika yang mempertimbangkan jenis sebaran/distribusi data, yaitu apakah data menyebar normal atau tidak. Pada umumnya, Jika data tidak menyebar normal, maka data harus dikerjakan dengan metode Statistika non-parametrik, atau setidak2nya dilakukan transformasi agar data mengikuti sebaran normal, sehingga bisa dikerjakan dg statistika parametrik. Contoh metode statistika parametrik: uji-z (1 atau 2 sampel), uji-t (1 atau 2 sampel), korelasi pearson, Perancangan Percobaan (1 or 2-way ANOVA parametrik), dll.
2. Statistika non-parametrik -> Menurut literatur yang ditulis dosen saya (Bu Ani), statistika non-parametrik adalah statistika bebas sebaran (tdk mensyaratkan bentuk sebaran parameter populasi, baik normal atau tidak). Statistika non-parametrik biasanya digunakan untuk melakukan analisis pada data berjenis Nominal atau Ordinal. Data berjenis Nominal dan Ordinal tidak menyebar normal. Contoh metode Statistika non-parametrik:Binomial test, Chi-square test, Median test, Friedman Test, dll.

Biasanya Hipotesis ditulis sedemikian rupa sehingga memiliki makna yang berlawanan satu sama lain. Contoh:

H0: rata-rata uang saku mahasiswa perhari = Rp.5 rb ; v.s. H1: rata-rata uang saku mahasiswa/hari tdk sama dg Rp.5 rb.

(biasanya penulisannya dg lambang matematis)

Untuk membuktikan kebenaran hipotesis, peneliti melakukan serangkaian percobaan/survey untuk mendapatkan data, kemudian dilakukan analisis data. Nah, bila dari penelitian ini, data mendukung H1, maka peneliti menyimpulkan bahwa rata-rata uang saku mahasiswa/hari bukanlah Rp.5 rb.

a) Rumus Rataan Hitung dari Data Tunggal

b) Rumus Rataan Hitung Untuk Data yang Disajikan Dalam Distribusi Frekuensi

Dengan : fixi = frekuensi untuk nilai xi yang bersesuaian
xi = data ke-i

c) Rumus Rataan Hitung Gabungan
2. Rumus Modus

a. Data yang belum dikelompokkan

Modus dari data yang belum dikelompokkan adalah ukuran yang memiliki frekuensi tertinggi. Modus dilambangkan mo.
b. Data yang telah dikelompokkan

Rumus Modus dari data yang telah dikelompokkan dihitung dengan rumus:

Dengan : Mo = Modus
L = Tepi bawah kelas yang memiliki frekuensi tertinggi (kelas modus) i = Interval kelas
b1 = Frekuensi kelas modus dikurangi frekuensi kelas interval terdekat sebelumnya
b2 = frekuensi kelas modus dikurangi frekuensi kelas interval terdekat sesudahnya

3. Rumus Median (Nilai Tengah)

a) Data yang belum dikelompokkan

Untuk mencari median, data harus dikelompokan terlebih dahulu dari yang terkecil sampai yang terbesar.

b) Data yang Dikelompokkan

Dengan : Qj = Kuartil ke-j
j = 1, 2, 3
i = Interval kelas
Lj = Tepi bawah kelas Qj
fk = Frekuensi kumulatif sebelum kelas Qj
f = Frekuensi kelas Qj
n = Banyak data

4. Rumus Jangkauan ( J )

Selisih antara nilai data terbesar dengan nilai data terkecil.

5. Rumus Simpangan Quartil (Qd)

6. Rumus Simpangan baku ( S )

7. Rumus Simpangan rata – rata (SR)

8. Rumus Ragam (R)

Contoh soal statistika

Tabel 1.1 dibawah ini:

Jawab :

Statistika banyak diterapkan dalam berbagai disiplin ilmu, baik ilmu-ilmu alam (misalnya astronomi dan biologi maupun ilmu-ilmu sosial (termasuk sosiologi dan psikologi), maupun di bidang bisnis, ekonomi, dan industri. Statistika juga digunakan dalam pemerintahan untuk berbagai macam tujuan; sensus penduduk merupakan salah satu prosedur yang paling dikenal. Aplikasi statistika lainnya yang sekarang popular adalah prosedur jajak pendapat atau polling (misalnya dilakukan sebelum pemilihan umum), serta jajak cepat (perhitungan cepat hasil pemilu) atau quick count. Di bidang komputasi, statistika dapat pula diterapkan dalam pengenalan pola maupun kecerdasan buatan.

Sejarah

Penggunaan istilah statistika berakar dari istilah istilah dalam bahasa latin modern statisticum collegium (“dewan negara”) dan bahasa Italia statista (“negarawan” atau “politikus”).

Gottfried Achenwall (1749) menggunakan Statistik dalam bahasa Jerman untuk pertama kalinya sebagai nama bagi kegiatan analisis data kenegaraan, dengan mengartikannya sebagai “ilmu tentang negara (state)”. Pada awal abad ke-19 telah terjadi pergeseran arti menjadi “ilmu mengenai pengumpulan dan klasifikasi data”. Sir John Sinclair memperkenalkan nama (Statistics) dan pengertian ini ke dalam bahasa Inggris. Jadi, statistika secara prinsip mula-mula hanya mengurus data yang dipakai lembaga-lembaga administratif dan pemerintahan. Pengumpulan data terus berlanjut, khususnya melalui sensus yang dilakukan secara teratur untuk memberi informasi kependudukan yang berubah setiap saat.

Pada abad ke-19 dan awal abad ke-20 statistika mulai banyak menggunakan bidang-bidang dalam matematika, terutama peluang. Cabang statistika yang pada saat ini sangat luas digunakan untuk mendukung metode ilmiah, statistika inferensi, dikembangkan pada paruh kedua abad ke-19 dan awal abad ke-20 oleh Ronald Fisher (peletak dasar statistika inferensi), Karl Pearson (metode regresi linear), dan William Sealey Gosset (meneliti problem sampel berukuran kecil). Penggunaan statistika pada masa sekarang dapat dikatakan telah menyentuh semua bidang ilmu pengetahuan, mulai dari astronomi hingga linguistika. Bidang-bidang ekonomi, biologi dan cabang-cabang terapannya, serta psikologi banyak dipengaruhi oleh statistika dalam metodologinya. Akibatnya lahirlah ilmu-ilmu gabungan seperti ekonometrika, biometrika (atau biostatistika), dan psikometrika.

Meskipun ada pihak yang menganggap statistika sebagai cabang dari matematika, tetapi sebagian pihak lainnya menganggap statistika sebagai bidang yang banyak terkait dengan matematika melihat dari sejarah dan aplikasinya. Di Indonesia, kajian statistika sebagian besar masuk dalam fakultas matematika dan ilmu pengetahuan alam, baik di dalam departemen tersendiri maupun tergabung dengan matematika.

Konsep dasar

Dalam mengaplikasikan statistika terhadap permasalahan sains, industri, atau sosial, pertama-tama dimulai dari mempelajari populasi. Makna populasi dalam statistika dapat berarti populasi benda hidup, benda mati, ataupun benda abstrak. Populasi juga dapat berupa pengukuran sebuah proses dalam waktu yang berbeda-beda, yakni dikenal dengan istilah deret waktu.

Melakukan pendataan (pengumpulan data) seluruh populasi dinamakan sensus. Sebuah sensus tentu memerlukan waktu dan biaya yang tinggi. Untuk itu, dalam statistika seringkali dilakukan pengambilan sampel (sampling), yakni sebagian kecil dari populasi, yang dapat mewakili seluruh populasi. Analisis data dari sampel nantinya digunakan untuk menggeneralisasi seluruh populasi.

Jika sampel yang diambil cukup representatif, inferensial (pengambilan keputusan) dan simpulan yang dibuat dari sampel dapat digunakan untuk menggambarkan populasi secara keseluruhan. Metode statistika tentang bagaimana cara mengambil sampel yang tepat dinamakan teknik sampling.

Analisis statistik banyak menggunakan probabilitas sebagai konsep dasarnya hal terlihat banyak digunakannya uji statistika yang mengambil dasar pada sebaran peluang. Sedangkan matematika statistika merupakan cabang dari matematika terapan yang menggunakan teori probabilitas dan analisis matematika untuk mendapatkan dasar-dasar teori statistika.

Ada dua macam statistika, yaitu statistika deskriptif dan statistika inferensial. Statistika deskriptif berkenaan dengan deskripsi data, misalnya dari menghitung rata-rata dan varians dari data mentah; mendeksripsikan menggunakan tabel-tabel atau grafik sehingga data mentah lebih mudah “dibaca” dan lebih bermakna. Sedangkan statistika inferensial lebih dari itu, misalnya melakukan pengujian hipotesis, melakukan prediksi observasi masa depan, atau membuat model regresi.

• Statistika deskriptif berkenaan dengan bagaimana data dapat digambarkan dideskripsikan) atau disimpulkan, baik secara numerik (misalnya menghitung rata-rata dan deviasi standar) atau secara grafis (dalam bentuk tabel atau grafik), untuk mendapatkan gambaran sekilas mengenai data tersebut, sehingga lebih mudah dibaca dan bermakna.
• Statistika inferensial berkenaan dengan permodelan data dan melakukan pengambilan keputusan berdasarkan analisis data, misalnya melakukan pengujian hipotesis, melakukan estimasi pengamatan masa mendatang (estimasi atau prediksi), membuat permodelan hubungan (korelasi, regresi, ANOVA, deret waktu), dan sebagainya.

Metode Statistika

Dua jenis penelitian: eksperimen dan survai

Terdapat dua jenis utama penelitian: eksperimen dan survei. Keduanya sama-sama mendalami pengaruh perubahan pada peubah penjelas dan perilaku peubah respon akibat perubahan itu. Beda keduanya terletak pada bagaimana kajiannya dilakukan.

Suatu eksperimen melibatkan pengukuran terhadap sistem yang dikaji, memberi perlakuan terhadap sistem, dan kemudian melakukan pengukuran (lagi) dengan cara yang sama terhadap sistem yang telah diperlakukan untuk mengetahui apakah perlakuan mengubah nilai pengukuran. Bisa juga perlakuan diberikan secara simultan dan pengaruhnya diukur dalam waktu yang bersamaan pula. Metode statistika yang berkaitan dengan pelaksanaan suatu eksperimen dipelajari dalam rancangan percobaan (desain eksperimen).

Dalam survey, di sisi lain, tidak dilakukan manipulasi terhadap sistem yang dikaji. Data dikumpulkan dan hubungan (korelasi) antara berbagai peubah diselidiki untuk memberi gambaran terhadap objek penelitian. Teknik-teknik survai dipelajari dalam metode survei.

Penelitian tipe eksperimen banyak dilakukan pada ilmu-ilmu rekayasa, misalnya teknik, ilmu pangan, agronomi, farmasi, pemasaran (marketing), dan psikologi eksperimen.

Penelitian tipe observasi paling sering dilakukan di bidang ilmu-ilmu sosial atau berkaitan dengan perilaku sehari-hari, misalnya ekonomi, psikologi dan pedagogi, kedokteran masyarakat, dan industri.

Tipe pengukuran

Ada empat tipe pengukuran atau skala pengukuran yang digunakan di dalam statistika, yakni: nominal, ordinal, interval, dan rasio. Keempat skala pengukuran tersebut memiliki tingkat penggunaan yang berbeda dalam riset statistik.

• Skala nominal hanya bisa membedakan sesuatu yang bersifat kualitatif (misalnya: jenis kelamin, agama, warna kulit).
• Skala ordinal selain membedakan juga menunjukkan tingkatan (misalnya: pendidikan, tingkat kepuasan).
• Skala interval berupa angka kuantitatif namun tidak memiliki nilai nol mutlak (misalnya: tahun, suhu dalam Celcius).
• Skala rasio berupa angka kuantitatif yang memiliki nilai nol mutlak.

Teknik-teknik statistika

Beberapa pengujian dan prosedur yang banyak digunakan dalam penelitian antara lain:

• Analisis regresi dan korelasi
• Analisis varians (ANOVA)
• khi-kuadrat
• Uji t-Student

Statistika Terapan

Bebebarapa ilmu pengetahuan menggunakan statistika terapan sehingga mereka memiliki terminologi yang khusus. Disiplin ilmu tersebut antara lain:

• Aktuaria (penerapan statistika dalam bidang asuransi)
• Biostatistika atau biometrika (penerapan statistika dalam ilmu biologi)
• Statistika bisnis
• Ekonometrika
• Psikometrika
• Statistika sosial
• Statistika teknik atau teknometrika
• Fisika statistik
• Demografi
• Eksplorasi data (pengenalan pola)
• Literasi statistik
• Analisis proses dan kemometrika (untuk analisis data kimia analis dan teknik kimia)

Statistika memberikan alat analisis data bagi berbagai bidang ilmu. Kegunaannya bermacam-macam: mempelajari keragaman akibat pengukuran, mengendalikan proses, merumuskan informasi dari data, dan membantu pengambilan keputusan berdasarkan data. Statistika, karena sifatnya yang objektif, sering kali merupakan satu-satunya alat yang bisa diandalkan untuk keperluan-keperluan di atas.

Bisa dibayangkan bagaimana gilanya seorang artis yang harus kejar syuting 13 acara yang berbeda selama 6 hari 5 malam ????? Woww..ini beneran hal tergila yang pernah ada. Bahkan syuting untuk merampungkan film mini seri 13 episode-pun rata – rata paling cepat memakan waktu 2 mingu. Hangen, dkk sepertinya memanfaatkan bayaran akhir tahun yang jauh lebih besar dari biasanya dengan kerja rodi TT__TT. Atau malah kebalikannya, produser acara-lah yang menggebu – gebu memborong seluruh jadwal Suju-M , karena artis yang bersangkutan jarang – jarang bisa mampir ke Taiwan.

Dengan nomor kedatagan KE69, Suju-M dipastikan akan sampai di bandara Taoyuan pada 4 desember besok. Selama 2 hari berturut – turut mereka ber-7 akan menghadiri acara fan meeting yang bebrapa hari sebelumnya dikabarkan tiket termahal-nya langsung ludes dalam tempo 30 menit.

Gak cukup sampai disitu, mereka langsung disodorkan list pekerjaan berikutnya, tak tanggung – tanggung ada 13 jadwal acara TV yang harus dikerjakan mereka dalam waktu 1 minggu. Wu Jianheng , Guangyu TVm termasuk juga acara show-nya Show Luo. Bahkan wookie, yang merupakan anak tunggal yang wajib hukumnya untuk “pulang kampung” harus mengorbankan ultah perkawinan kedua orang tuanya yang jatuh tanggal 6 Desember nanti. ~ tenang aja wookie..banyak yang mau ngeganttin kamu ngerayain ultah perkawinan, yah itung – itung silahturahmi ke rumah calon mertua !~

Apa mau dikata, mini album mereka Super Girl memang dijadwalkan rilis di taiwan pada desember besok. Taiwan merupakan salah satu pasar musik terbesar Suju-M, dan penjualan album SJ di taiwan -pun sangatlah bagus dan laris manis. So, disaat masih fresh from the oven, AVEX-pun langsung mengadakan Fan Meeting untuk para fans mereka di Taiwan dan penjualan CD limited Edition Super Girl, taiwan Version. Yah, berhati – hati saja, jangan sampai kantong dompet mereka berlubang dan langsung jebol melihat harganya ~ wkwkwkwkwk~

Hangeng dkk berpesan ‘Jaga kesehatan kalian, kita bertemu nanti di Fan Party !” ~ gezz…rasanya malah kebalik, seharusnya mereka ber-7-lah yang jaga kesehatan baik – baik supaya bisa menemui fans mereka di Fan Party. Sumpah ! kalau aq jadi mereka dan ngeliat jadwal semerawut kayak bandara Soekarno Hatta, rasanya kaki sudah lemes duluan sebelum duitnya masuk ke kantong ~ hehehehehehe~ Ritme kerja anak SJ memang benar – benar Super, Bahkan lebih Super daripada Superman yang sesibuk-sibuknya-pun masih punya waktu buat ngeriting poni ^__^

SJM scary schedule

*yang lebih serem dari jadwal UAN~

11月26日 Beijing — Bangkok
11月27日 SS2 press conference at Bangkok
11月28、29日 SS2 concert
11月30日 Bangkok – Beijing
12月4日 Beijing – Taiwan
12月4日–9日 SJ-M will participate in more than 13 recording
12月9日 Taiwan – Seoul
12月10日 Golden Disk Award
12月11日 Seoul – Nanjing
12月12号 SS2 at Nanjing

Penasaran deh…dengan seringnya mereka naik pesawat, kira – kira mereka dapet diskon dari pihak airport kaga ya ? Gak kaget kalau kelak mereka bisa menikah dengan pramugari atau petugas bandara ~wkwkwkwkwk~ saking seringnya terbang, Cinta pun bersemi diatas langit~

from: http://starjunior.wordpress.com

Alamakk ! Su-Show 2 di Thailand ini bisa dikategorikan semi-BF kayaknya ! ~wkwkwkkwkwwk~ Kayaknya mereka makin pede memasarkan otot – otot hasil bentukan dari nge-gym yang makin membesar pasca hiatusnya aktifitas grup mereka. Beberapa dari mereka tampaknya bobot berat badannya lumayan naik, meski sebagian ada yang semakin tirus ~ wkwkwkwkwk~

Kalau tampil solo, meski gilanya keluar, tapi masih pada dikoridor batas normal. Tapi sekalinya pada ngumpul rame – rame, aihh…. Virus SARAP-nya langsung dalam mode on fire. Sampai pelampung pala bebek juga bisa hadir diatas pangung dan jadi atribut konser.

Dan Omaigat Siwon… ternyata dia itu type GANAS juga yah !!!..Teukie menjadi korban pelampiasan hasrat member yang lain dengan mengguyur dan menyemprotnya dengan pistol air. Setelahnya, dengan bantuan Shindong, Siwon mencabik – cabik baju Teukie sampai telanjang bulet setengah badan sebelum akhirnya ditolong Kyu yang bawain handuk buat nutupin badannya yang terkepos sedemikian rupa ~ wkwkwkkwwk~

ckckckckckc…ini udah ibarat kayak nonton Tiger Show boo…., hehehehehe…untuk melihat Teukie dalam pose semi-bugil, fans harus merogoh kocek 800.000- 2,8 juta. Mahal..tapi pastinya puas !!!!

+ Heechul~ Eunhyuk, keduanya korban acara Intimate Note, kemudian perlahan namun pasti mulai status mereka mulai berubah menjadi Intimate Friends,. Dari Intimate Note, menjadi Intimate Friends dan akhirnya INTIMATE COUPLE ^__^
+ Tampil dengan 2 pengiring diatas panggung, Henry dengan biola, dan Wookie sebagai keyboardis, Heechul solo membawakan lagu IVY. Tapi saat lampu panggung dimatikan, perhatian semua orang bukan lagi tertuju pada Heechul, ada sosok yang lebih menarik perhatian mereka yang muncul di tengah – tengah panggung, si Mr Anchovy Eunhyuk. Dengan tatapan mesra, Heechul terus memandang Hyuk yang melakukan rap di atas panggung. Kontras kostum yang mereka pakai juga terlihat sangat menarik. Heechul dengan busana serba putih bersanding dengan Hyuk yang serba hitam, membuat keduanya terlihat seperti ANGEL vs EVIL ~ wkwkwkkwkw~ Dan berlanjut saat sesi lagu Carnival, dimana Heechul memeluknya dari belakang kemudian mencium Eunhyuk ~ gayahahahaha~ Gak tahu apa Heechul bener – bener mencium Hyuk atau hanya kamuflase, tapi nyatanya muka Eunhyuk memerah dan menatap balik Heechul sambil tersenyum lebar sembari sedikit malu – malu.
+ Yah, mungkin Henry dan Zhoumi akan sangat berterima kasih kepada fans Thai. Berkat special project yang mereka buat untuk SUju-M, Henry dan Zhoumi yang biasanya langsung balik ke backstage, kali ini mendapat kesempatan untuk melakukan Encore dengan anggota member yang lain didampingi Leeteuk ^__^ Yah..mereka akhirnya bisa tampil ber-13 meski tanpa kehadiran Kangin dan Kibum ^__^

Heechul yang menurutku jauh lebih “CANTIK” dibanding penyanyi aslinya IVY saat membawakan lagu hit Temptation of Sonata ^__^ Itu menurutku, menurut kalian ?

Andaikan orang yang ada digendong Hangeng dalam foto itu adalah AKU…~ wkwkwkwkwk~ Ga nyangka si Han itu kuat juga yah ?? ~ wkwkwkwk~ Padahal makannya tiap hari cuma nasi goreng..~ hehehehehe~

SUSHOW 3 !!!!!! wAIT fOR meeeeeee……………………….

http://starjunior.wordpress.com/